SKILLEMALL.ai
GitHub ↗ EN Войти

BD 🎨 Pollinations Image Generation Skill

Чистый, модульный и удобный инструмент для генерации изображений на базе Pollinations.ai.

машинный переводПоказать оригиналСкрыть оригинал«A clean, modular, and user-friendly image generation tool powered by P…»

A clean, modular, and user-friendly image generation tool powered by Pollinations.ai.

modbender/skill-library-mcp Agent Skills автор: modbender MIT 3 файла · 2 скрипта тело ≈ 1 409 токенов Открыть источникgithub.com↗ проанализирован 2 дн назад

Чистый, модульный и удобный инструмент для генерации изображений на базе Pollinations.ai.

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ГенераторИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
84/100
безопасность, качество, тесты
Безопасность 60%
98
Качество 40%
62
Прогон на моделях
не было
Процессный рейтинг
D
46/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
Для прогона на моделях — необязательно
  • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
  • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

Находки guard · 2

✓ Критических и высоких находок нет

Средние и низкие: 2
  • низкая Утечка данных net-credential-use generate.sh:296
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис) (в кавычках — упоминание, а не команда)
    [ -n "$API_KEY" ] && curl_cmd="$curl_cmd -H \"Authorization: Bearer $API_KEY\""
    в кавычках
  • низкая Утечка данных read-dotenv SKILL.md:28
    Чтение файла .env
    cp .env.example .env

Просканировано файлов: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 46/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (🎨 Pollinations Image Generation Skill) не совпадает с папкой (pollinations-image)
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 31
  • 100Стоимость исполнения. Тело инструкции 1409 токенов
  • low Разделов верхнего уровня: 10. Похоже на несколько доменов в одном скилле

Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

Сигналы качества

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Длина description 85: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -265 эмодзи в инструкциях: шум для модели
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 25 заголовков
  • +3Пошаговые инструкции: 31 пунктов
  • +4Есть примеры (14 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 62.